This commit is contained in:
Jakub Adamski 2021-06-20 12:32:25 +02:00
parent 8ff9bfa369
commit 27f93f926e
2 changed files with 89 additions and 35 deletions

View File

@ -793,3 +793,81 @@ Zwykle wartości zmiennej objaśnianej wskazują na wystąpienie, lub brak wyst
- Iloraz szans - w skrócie OR określa nam stosunek szansy wystąpienia danego zdarzenia w danej grupie do wystąpienia tego samego zdarzenia w innej porównywanej grupie. - Iloraz szans - w skrócie OR określa nam stosunek szansy wystąpienia danego zdarzenia w danej grupie do wystąpienia tego samego zdarzenia w innej porównywanej grupie.
---
## LAB 11
Zagadnienia:
- powtórka
### R
```r
# definiuje ułożenie wykresów w RStudio
par(mfrow=c(2,2))
# wykresy gęstości jądrowych przy różnych szerokościach okna
x1<-rexp(30,5)
x2<-rnorm(30,2,2)
x3<-rnorm(30,10,1)
gen<-c(x1,x2,x3)
plot(density(gen,bw=0.1))
plot(density(gen,bw=0.5))
```
---
## LAB 12
Zagadnienia:
- analiza składowych głównych
- wykład 10 na stronie
### R
### Zagadnienia
---
## LAB 13
Zagadnienia:
- analiza korelacji
- wykład 11 na stronie
### R
### Zagadnienia
---
## LAB 14
Zagadnienia:
- klasyfikacja
- wykład 12 na stronie
### R
### Zagadnienia

View File

@ -1,37 +1,13 @@
load(url("http://ls.home.amu.edu.pl/data_sets/liver_data.RData")) x1<-rexp(30,5)
head(liver_data) x2<-rnorm(30,2,2)
x3<-rnorm(30,10,1)
liver_data$condition <- ifelse(liver_data$condition == "Yes", 1, 0) gen<-c(x1,x2,x3)
model_1 <- glm(condition ~ bilirubin + ldh, data = liver_data, family = 'binomial')
model_1
summary(model_1)
step(model_1)
exp(coef(model_1)[2])
exp(coef(model_1)[3])
install.packages("ROCR")
library(ROCR)
pred_1 <- prediction(model_1$fitted, liver_data$condition)
plot(performance(pred_1, 'tpr', 'fpr'), main = "Model 1")
performance(pred_1, 'auc')@y.values
liver_data_new <- data.frame(bilirubin = c(0.9, 2.1, 3.4), ldh = c(100, 200, 300))
(predict_glm <- stats::predict(model_1, # wykresy gęstości jądrowych przy różnych szerokościach okna
liver_data_new, par(mfrow=c(2,2))
type = 'response')) plot(density(gen,bw=0.1))
model_1_hat <- coef(model_1)[1] + plot(density(gen,bw=0.5))
coef(model_1)[2] * liver_data$bilirubin + plot(density(gen,bw=3))
coef(model_1)[3] * liver_data$ldh plot(density(gen,bw=5)) #na trzecim
model_1_temp <- seq(min(model_1_hat) - 1, max(model_1_hat) + 2.5, length.out = 100)
condition_temp <- exp(model_1_temp) / (1 + exp(model_1_temp))
plot(model_1_temp, condition_temp, type = "l", xlab = "X beta", ylab = "condition",
xlim = c(-6, 9), ylim = c(-0.1, 1.1))
points(model_1_hat, liver_data$condition, pch = 16)
points(coef(model_1)[1] +
coef(model_1)[2] * liver_data_new$bilirubin +
coef(model_1)[3] * liver_data_new$ldh,
predict_glm, pch = 16, col = "red")